کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش تجمیع داده‌ها و بهینه‌سازی عملکرد با Polars - آخرین آپدیت

دانلود Data Aggregation and Performance Optimization with Polars

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره دارای قابلیت Coursera Coach است! یک روش هوشمندانه‌تر برای یادگیری با گفتگوهای تعاملی و بلادرنگ که به شما کمک می‌کند دانش خود را آزمایش کنید، فرضیات را به چالش بکشید و در حین پیشروی در دوره، درک خود را عمیق‌تر کنید. تخصص خود در تحلیل داده‌ها را با تسلط بر تکنیک‌های تجمیع (Aggregation) و بهینه‌سازی عملکرد در کتابخانه Polars ارتقا دهید. این دوره شما را از طریق روش‌های پیشرفته انتخاب داده‌ها، گروه‌بندی و تجمیع هدایت می‌کند و به شما می‌آموزد که چگونه جریان‌های کاری را با استفاده از ارزیابی تنبل (Lazy Evaluation) برای پردازش سریع‌تر و کارآمدتر مجموعه‌داده‌های بزرگ بهینه کنید. شما با یادگیری Selectorها برای هدف قرار دادن دقیق ردیف‌ها و ستون‌های خاص، از جمله انتخاب بر اساس نوع داده، موقعیت ستون و عملیات مجموعه‌ای شروع خواهید کرد. سپس دوره به عملیات پیشرفته GroupBy می‌پردازد و نشان می‌دهد که چگونه داده‌ها را در چندین ستون تجمیع کنید، با مجموعه‌داده‌های زمانی کار کنید و از توابع پنجره‌ای (Window Functions) برای محاسبات پیچیده بهره ببرید. در نهایت، LazyFrameها را بررسی خواهید کرد تا تفاوت بین ارزیابی مشتاقانه (Eager) و تنبل (Lazy) را درک کنید، اسکن‌های بهینه CSV را انجام دهید و DataFrameهای استاندارد را برای بهبود عملکرد تبدیل کنید. مثال‌های عملی بر سرعت، بهره‌وری حافظه و جریان‌های کاری مقیاس‌پذیر برای مجموعه‌داده‌های واقعی تأکید دارند. این دوره برای کاربران متوسط تا پیشرفته پایتون، تحلیلگران داده و دانشمندان داده که می‌خواهند جریان‌های کاری Polars را بهینه کنند، ایده‌آل است. برای بهره‌برداری کامل از تکنیک‌های پیشرفته تجمیع و عملکرد، آشنایی با پایتون و عملیات پایه Polars توصیه می‌شود. در پایان این دوره، شما قادر خواهید بود به طور بهینه داده‌ها را با استفاده از Selectorها و متدهای GroupBy انتخاب و تجمیع کنید، مجموعه‌داده‌های زمانی و چندستونی را مدیریت نمایید، توابع پنجره‌ای را پیاده‌سازی کنید و از LazyFrameها برای بهینه‌سازی عملکرد در Polars استفاده کنید.
سرفصل ها و درس ها

انتخاب‌گرها (Selectors) Selectors

  • مروری بر استراتژی‌های هدف‌گذاری A Review of Targeting Strategies

  • آشنایی با انتخاب‌گرها Introducing Selectors

  • انتخاب بر اساس نوع داده Selecting by Data Type

  • انتخاب بر اساس موقعیت ستون Selecting by Column Position

  • عملیات مجموعه‌ای با انتخاب‌گرها Set Operations with Selectors

گروه‌بندی (GroupBy) GroupBy

  • معرفی مجموعه‌داده ما Introducing our Dataset

  • مقدمه‌ای بر گروه‌بندی Intro to Grouping

  • متدهای GroupBy GroupBy Methods

  • بزرگترین و کوچکترین مقادیر در هر گروه Largest and Smallest Values per Group

  • تجمیع با متد agg Aggregations with the agg Method

  • استفاده از انتخاب‌گرها در تجمیع Using Selectors in Aggregations

  • گروه‌بندی با چندین ستون Grouping with Multiple Columns

  • گروه‌بندی داده‌های زمانی Grouping Temporal Data

  • توابع پنجره‌ای و متد over Window Functions and the over Method

فریم‌های تنبل (LazyFrames) LazyFrames

  • LazyFrameها و ارزیابی مشتاقانه در مقابل تنبل LazyFrames and Eager vs. Lazy Evaluation

  • تابع scan_csv و متد collect The scan_csv Function and the collect Method

  • مسئله زمان A Matter of Time

  • تبدیل DataFrame به LazyFrame Convert a DataFrame to a LazyFrame

  • محدودیت‌های LazyFrame LazyFrame Limitations

نمایش نظرات

آموزش تجمیع داده‌ها و بهینه‌سازی عملکرد با Polars
جزییات دوره
4h 33m
19
(آخرین آپدیت)
7
- از 5
دارد
دارد
دارد
Chris Croft

https://donyad.com/d/4a6ee6

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده

Descriptive Analytics Time Series Analysis and Forecasting Data Processing Data Transformation Analytics Data Manipulation Data Management Data Wrangling Performance Tuning Data Analysis تحلیل توصیفی تحلیل سری‌های زمانی و پیش‌بینی پردازش داده‌ها تبدیل داده‌ها تحلیل داده دستکاری داده‌ها مدیریت داده‌ها پاک‌سازی داده‌ها تنظیم عملکرد تحلیل داده‌ها